1. 项目概述从“用”到“造”的AI技能新范式最近在折腾各种AI助手和开发工具时我频繁地听到一个词skill。无论是Claude的Codex、Hermes还是各种开源的Agent框架都离不开“技能”这个概念。简单来说一个skill就是一段能让AI执行特定、复杂任务的指令集或插件。比如一个“文献总结skill”可以让AI帮你快速提炼论文核心一个“数据可视化skill”能让AI根据你的描述生成图表代码。过去我们大多是这些技能的“使用者”在社区里寻找、安装别人写好的skill。但总有些时候找不到完全符合自己工作流或脑洞大开的那个专属技能或者找到了但用起来总觉得隔靴搔痒差那么点意思。于是skill-creator这个概念就进入了我的视野。它不是一个具体的工具而是一种理念和一系列方法的集合核心目标是让非专业开发者也能快速、低成本地创建属于自己的AI技能。这就像从“App Store下载用户”变成了“自己写个小程序”的开发者。为什么这很重要因为最懂你需求的人永远是你自己。一个为你量身定制的skill其效率和贴合度是任何通用技能都无法比拟的。skill-creator的兴起背后是AI应用开发民主化的趋势。当大模型的能力足够强接口足够友好时封装一个复杂任务流程的门槛就被极大地降低了。你不需要精通Python全栈甚至不需要完全理解模型的底层原理你只需要清晰地定义任务、拆解步骤并用一种模型能理解的“语言”如自然语言指令、结构化示例、特定格式的代码告诉它该怎么做。这个过程本身就是一次高效的“人机协作编程”。接下来我将结合我自己的实践和踩过的坑为你拆解如何从零开始快速创建你的第一个专属skill。我们会涵盖从构思、设计、实现到测试、优化的全流程目标是让你看完就能动手做出一个真正能解决实际问题的“生产力利器”。2. 核心思路像产品经理一样设计你的Skill在动手写一行代码或一段提示词之前最关键的一步是设计。一个混乱、模糊的Skill设计即使勉强跑起来也会漏洞百出难以维护。我把这个过程总结为“产品经理五问”。2.1 明确核心问题与用户场景首先忘掉技术回到需求本身。你需要回答这个Skill要解决什么具体问题问题必须足够聚焦。例如“帮我优化代码”太宽泛“帮我用Python的Pandas库将CSV文件中的日期列格式化并去重”就具体得多。谁会用这个Skill是你自己还是你的团队成员他们的技术背景如何这决定了Skill的交互复杂度和需要内置多少“常识”。在什么场景下触发是用户在聊天中主动还是检测到特定关键词如“画个图表”、“总结一下”自动触发抑或是作为一个工具被其他Skill调用我的实操心得最好的Skill创意往往源于日常工作中重复性高、规则明确的“体力活”。比如我经常需要将一堆零散的会议要点整理成结构化的会议纪要。于是我的第一个自研Skill就是“会议纪要生成器”。它的场景非常明确在我粘贴了一段杂乱文本后自动输出包含“议题、结论、待办事项负责人、截止时间”的标准格式。2.2 定义输入、处理与输出这是将想法工程化的关键一步。你需要像定义函数一样定义你的Skill。输入用户需要提供什么信息是纯文本、一个文件、一个URL还是结构化数据如JSON哪些是必填项哪些有默认值示例对于“SQL查询生成器”Skill输入可能是{“数据库类型”: “MySQL” “查询意图”: “查询上个月销售额超过1万的客户姓名和总额” “表结构”: “[此处粘贴CREATE TABLE语句]”}。处理这是Skill的核心“黑盒”。你需要在大脑中或纸上梳理出处理逻辑的关键步骤。例如解析输入提取关键参数。根据数据库类型适配SQL方言。理解查询意图映射到SELECT、WHERE、GROUP BY等子句。结合表结构确保字段名正确。生成SQL语句并进行简单的语法自检。输出最终交付物是什么格式一段代码、一个文本摘要、一个JSON对象还是一个文件确保输出是稳定、可预期的。示例上述SQL Skill的输出就是一段可以直接在对应数据库运行的SQL字符串并附带一行简要说明。注意事项在设计处理流程时务必考虑边界情况和错误处理。如果用户输入的表结构不完整怎么办如果查询意图无法理解怎么办一个好的Skill应该能优雅地处理异常给出清晰的错误提示或降级方案而不是直接“崩溃”或输出胡言乱语。2.3 选择合适的技术实现路径这是skill-creator最有趣也最核心的部分。根据你的技术背景和Skill的复杂度有几种主流实现路径提示词工程这是最快速、门槛最低的方式。你精心设计一段系统提示词System Prompt定义角色、规则、输出格式然后让大模型根据用户输入User Prompt来完成任务。许多AI平台的“自定义指令”、“角色预设”功能就是基于此。它的优势是灵活、迭代快但缺点是对复杂逻辑的控制力较弱输出稳定性依赖于模型本身。函数调用这是当前主流AI助手如ChatGPT、Claude支持的高级方式。你将Skill描述为一个或多个“函数”包含函数名、描述和参数schema。当AI认为需要调用你的Skill时它会返回一个标准的函数调用请求由你的后端代码执行并返回结果。这种方式实现了AI与外部工具/API的可靠连接适合需要实时数据、计算或执行具体操作的Skill。代码插件对于更复杂的Skill可能需要编写独立的代码如Python脚本并将其封装为插件。这通常需要一定的开发能力但能实现最强大的功能和最精细的控制。例如一个需要访问特定数据库、进行复杂数据处理的Skill。利用现有Skill框架社区有一些开源框架例如针对特定AI助手开发的SDK它们提供了脚手架、模板和工具链能简化Skill的开发、测试和部署流程。方案选型背后的考量对于绝大多数个人和轻量级场景我建议从提示词工程和函数调用入手。它们能解决80%的需求。只有当你的Skill需要访问私有API、执行复杂算法或处理敏感数据时才需要考虑编写独立的代码插件。在接下来的实操部分我们将以最通用的“提示词工程”和“函数调用”为例进行详细拆解。3. 实战手把手创建你的第一个Skill我们以一个相对复杂但非常实用的Skill为例“技术方案评审员”。它的目标是当我输入一段技术方案描述比如一个新功能的架构设计时它能从多个维度可行性、可扩展性、成本、风险等进行评价并给出具体的改进建议。3.1 阶段一用提示词工程打造核心逻辑即使最终用函数调用实现我们也先从纯提示词开始这能帮助我们厘清Skill最核心的思考逻辑。首先我们需要撰写一个强大的系统提示词。这个提示词将定义Skill的“人格”和能力边界。你是一名经验丰富的首席技术官擅长从0到1评审各类技术方案。请严格遵循以下流程对用户提交的方案进行评审 **评审流程** 1. **理解与复述**首先用一句话精炼概括用户方案的核心目标与技术路径。 2. **多维度分析**从以下五个维度进行打分每项1-5分5分为最优并给出详细理由 - **技术可行性**现有技术栈是否支持团队是否具备实施能力 - **架构合理性**组件设计是否清晰耦合度是否过高 - **可扩展性与维护性**未来业务量增长或需求变更时方案是否易于调整 - **成本与资源**预估的开发时间、人力投入、第三方服务费用是否合理 - **风险识别**是否存在技术风险、安全风险或项目交付风险 3. **综合评分与结论**计算平均分并给出总体结论通过/有条件通过/不通过。 4. **具体改进建议**针对得分较低的维度提供至少2条可落地的、具体的优化建议。 **输出格式要求** 请严格按照以下Markdown格式输出不要有任何额外的解释或开场白 ### 方案概要 [你的概括] ### 多维评分 - **技术可行性**[分数]分 - [理由] - **架构合理性**[分数]分 - [理由] - **可扩展性与维护性**[分数]分 - [理由] - **成本与资源**[分数]分 - [理由] - **风险识别**[分数]分 - [理由] ### 综合结论 **平均分**[平均分] **评审结论**[通过/有条件通过/不通过] **结论说明**[一两句话解释原因] ### 改进建议 1. [针对低分项的具体建议一] 2. [针对低分项的具体建议二]为什么这样设计角色设定“首席技术官”赋予了它权威性和全局视角。流程化明确的四步流程强迫模型进行结构化思考避免思维发散。量化评分1-5分的量表让评价更直观便于比较不同方案。格式锁定严格的Markdown格式要求确保了输出的一致性方便我们后续解析结果。这是提示词工程中保证输出稳定性的关键技巧。现在我们可以用一个简单的用户输入进行测试用户输入“我们计划用MySQL存储所有用户行为日志每天增量大概1亿条。打算直接在原业务库上新建表来存查询时通过时间范围来筛选。”将系统提示词和用户输入发给大模型如GPT-4、Claude 3你就能得到一份结构清晰的评审报告。通过多次测试不同案例你可以持续优化这个系统提示词比如增加“常见反模式检查”维度或调整评分标准。3.2 阶段二升级为函数调用Skill纯提示词的方式需要每次手动粘贴系统提示词不方便集成。接下来我们将其升级为AI助手原生支持的函数调用Skill。这里以OpenAI的GPT函数调用格式为例。首先我们按照函数调用的规范将Skill描述为一个函数{ name: review_technical_proposal, description: 作为一名虚拟CTO从技术可行性、架构、扩展性、成本、风险五个维度评审技术方案并提供评分与改进建议。, parameters: { type: object, properties: { proposal_description: { type: string, description: 待评审的技术方案详细描述。 }, proposer_background: { type: string, description: 方案提出团队或个人的技术背景简介可选。, default: 未知 } }, required: [proposal_description] } }这个JSON定义告诉AI助手我有一个叫review_technical_proposal的函数它的作用是评审技术方案它需要两个参数其中proposal_description是必填的。当用户在对话中说“请评审一下这个方案我们想用Redis做全文搜索…” AI助手会识别出意图并返回一个函数调用请求其中包含了它从对话中提取的参数值。接下来我们需要一个后端服务来处理这个函数调用。这个服务收到请求后真正执行评审逻辑。服务内部的核心就是我们上一阶段打磨好的那个系统提示词以下是一个极简的Python Flask服务示例from flask import Flask, request, jsonify import openai import os app Flask(__name__) # 假设你的OpenAI API Key已设置环境变量 client openai.OpenAI(api_keyos.getenv(OPENAI_API_KEY)) # 这就是我们精心设计的系统提示词 SYSTEM_PROMPT 你是一名经验丰富的首席技术官... # 此处省略内容同上 app.route(/review, methods[POST]) def review_proposal(): data request.json proposal data.get(proposal_description) background data.get(proposer_background, 未知) # 构建用户消息可以融入可选参数 user_content f方案提出方背景{background}\n\n待评审方案描述{proposal} try: response client.chat.completions.create( modelgpt-4-turbo, # 或你选择的模型 messages[ {role: system, content: SYSTEM_PROMPT}, {role: user, content: user_content} ], temperature0.2 # 较低的温度保证输出稳定性 ) review_result response.choices[0].message.content # 将结果返回给AI助手 return jsonify({result: review_result}) except Exception as e: return jsonify({error: str(e)}), 500 if __name__ __main__: app.run(host0.0.0.0, port5000)部署与连接将这个服务部署到任何云服务器或Serverless平台如Vercel, Railway。然后在AI助手的开发平台如ChatGPT的GPTs、Claude的Console中配置一个自定义Action将函数定义JSON和你的服务端点https://your-service.com/review填进去。至此一个完整的、可被AI助手直接调用的“技术方案评审员”Skill就创建完成了。用户只需要在聊天中自然表达AI就会在需要时调用你的后端服务并将格式化的评审结果呈现给用户。3.3 阶段三迭代优化与性能提升创建第一个可运行的Skill只是开始要让其变得可靠、强大需要持续的迭代。构建测试用例集收集或虚构一批典型的技术方案好的、坏的、边界情况的用它们定期测试你的Skill。记录每次的输出检查评分是否合理、建议是否中肯。这是保证Skill质量的“回归测试”。优化提示词根据测试结果反复调整系统提示词。例如你发现模型对“成本”评估总是过于乐观可以在提示词中增加“请特别关注云服务费用和长期运维成本假设团队规模为5人以下。”添加上下文与记忆让Skill变得更智能。例如在后端服务中可以简单记录同一个用户历史提交的方案并在提示词中加入“该用户之前提出的方案常忽略数据库索引设计本次评审请额外关注此点。”这需要引入简单的数据存储。性能与成本如果使用按Token收费的模型优化提示词、设置合理的max_tokens可以节省成本。对于复杂Skill可以考虑使用更便宜、更快的模型如GPT-3.5-Turbo进行初步处理再用大模型精修。踩坑实录我在最初设计时曾让模型直接输出“通过”或“不通过”的结论。结果发现对于中等水平的方案模型非常“犹豫”结论波动大。后来我将结论改为“通过/有条件通过/不通过”三级并在提示词中明确了平均分4分以上为通过2.5分以下为不通过中间为有条件通过。这样不仅更符合实际评审场景也大大稳定了模型的输出。4. 高级技巧让Skill更强大、更智能掌握了基础创建流程后你可以通过以下技巧将你的Skill提升到专业水准。4.1 处理复杂输入与文件解析很多实用Skill需要处理非文本输入比如Word文档、PDF、Excel表格、图片甚至音频。策略在你的后端服务中集成文件解析库。例如PDF/Word使用PyPDF2,python-docx, 或更强大的unstructured库。图片使用OCR服务如Tesseract、云服务API提取文字。音频使用语音转文本服务如Whisper API。实现在函数定义中增加file_url或file_content参数。后端收到请求后先下载或读取文件解析出文本内容再将文本内容与系统提示词组合发送给大模型。示例创建一个“合同要点提取”Skill。用户上传一份PDF合同你的后端解析PDF文本然后提示模型提取“甲方乙方、合同金额、付款方式、违约责任、有效期”等关键字段并以JSON格式返回。4.2 实现多步骤工作流与工具调用一个复杂的任务可能需要分解为多个子步骤甚至调用其他工具或Skill。设计模式采用“编排器”模式。创建一个主Skill编排器负责解析用户复杂意图并将其分解为一系列顺序或并行的子任务。每个子任务可以是一个独立的函数调用或提示词。示例创建一个“市场调研报告生成器”Skill。用户输入一个产品名称。编排器首先调用“网络搜索”Skill获取该产品的近期新闻和评论。然后调用“竞品分析”Skill找出主要竞争对手并对比特点。接着调用“SWOT分析”Skill对收集的信息进行结构化分析。最后调用“报告撰写”Skill将所有结果整合成一份格式优美的Markdown报告。工具可以利用LangChain、AutoGen等多智能体框架来简化这类工作流的编排但对于初学者从简单的线性流程开始手动设计更有利于理解底层逻辑。4.3 技能的记忆、共享与部署记忆为了让Skill在多次交互中更“懂你”可以为每个用户或会话维护一个简单的上下文存储。例如在一个“编程导师”Skill中记录用户已经学过的概念后续解答时避免重复或进行知识关联。实现上可以使用数据库或利用AI平台本身提供的会话存储如ChatGPT的上下文。共享如果你想将Skill分享给团队成员或社区需要提供清晰的说明文档包括Skill的功能描述、输入输出格式示例、使用场景、以及如何配置如果是函数调用需要提供函数定义JSON和部署端点信息。对于提示词工程类Skill直接分享提示词模板即可。部署对于个人使用本地运行或部署到免费的云平台如Render、Fly.io即可。对于团队或生产环境需要考虑安全性API密钥管理、输入输出过滤、可靠性服务监控、错误告警和可扩展性应对高并发。5. 避坑指南与常见问题排查在创建和使用Skill的过程中我遇到了不少典型问题这里总结一份速查表。问题现象可能原因排查与解决思路AI助手不调用我的Skill1. 函数描述不清晰。2. 用户输入未触发函数调用条件。3. AI模型自身策略限制。1. 优化description和parameters的描述使其更精准匹配用户可能的问题。2. 在对话中更明确地指示例如直接说“请使用XX技能分析一下”。3. 尝试简化函数或更换不同的触发措辞。Skill输出不稳定时好时坏1. 提示词指令模糊存在歧义。2. 模型温度temperature参数过高。3. 输入信息差异大。1. 重写系统提示词使用更明确、无歧义的指令并强制输出格式。2. 将temperature调低如0.1-0.3增加确定性。3. 在Skill前端增加输入验证和格式化确保输入结构一致。处理长文档或复杂任务时超时或失败1. 模型上下文长度限制。2. 后端服务处理超时。3. 文件解析出错。1. 对长文本进行分段处理总结摘要后再喂给模型。或升级使用支持更长上下文的模型。2. 优化后端代码设置合理的超时时间对耗时操作采用异步处理。3. 增加文件解析的异常捕获和日志提供友好的错误信息。输出格式不符合要求提示词中对输出格式的约束力不够。1. 在提示词中使用“必须”、“严格遵循”、“请按以下格式输出”等强约束词。2. 在系统提示词末尾提供输出范例Few-Shot Learning。3. 在后端对输出结果进行二次正则匹配或解析如果格式错误可尝试让模型重生成。Skill涉及隐私或数据安全问题敏感数据被发送至第三方模型。1.最重要避免将真实敏感数据如个人身份证号、公司未公开数据用于测试或生产。2. 考虑使用本地部署的开源模型如Llama 3, Qwen。3. 对输入输出进行脱敏处理。如果必须使用云API了解服务商的隐私政策。最后的个人体会Skill创建的过程本质上是一个“将人类专业知识转化为机器可执行流程”的封装艺术。它最大的价值不在于技术有多炫酷而在于它能否精准地捕捉并自动化那个让你感到重复和疲惫的思维环节。从最简单的文本处理提示词开始逐步尝试函数调用解决一个真实的小问题你会获得巨大的正反馈。这个领域变化飞快新的框架和平台不断涌现但万变不离其宗的核心依然是清晰的定义、结构化的思维和持续的迭代。现在就从你最想自动化的那个任务开始动手创建你的第一个专属Skill吧。
1. 项目概述从“用”到“造”的AI技能新范式最近在折腾各种AI助手和开发工具时我频繁地听到一个词skill。无论是Claude的Codex、Hermes还是各种开源的Agent框架都离不开“技能”这个概念。简单来说一个skill就是一段能让AI执行特定、复杂任务的指令集或插件。比如一个“文献总结skill”可以让AI帮你快速提炼论文核心一个“数据可视化skill”能让AI根据你的描述生成图表代码。过去我们大多是这些技能的“使用者”在社区里寻找、安装别人写好的skill。但总有些时候找不到完全符合自己工作流或脑洞大开的那个专属技能或者找到了但用起来总觉得隔靴搔痒差那么点意思。于是skill-creator这个概念就进入了我的视野。它不是一个具体的工具而是一种理念和一系列方法的集合核心目标是让非专业开发者也能快速、低成本地创建属于自己的AI技能。这就像从“App Store下载用户”变成了“自己写个小程序”的开发者。为什么这很重要因为最懂你需求的人永远是你自己。一个为你量身定制的skill其效率和贴合度是任何通用技能都无法比拟的。skill-creator的兴起背后是AI应用开发民主化的趋势。当大模型的能力足够强接口足够友好时封装一个复杂任务流程的门槛就被极大地降低了。你不需要精通Python全栈甚至不需要完全理解模型的底层原理你只需要清晰地定义任务、拆解步骤并用一种模型能理解的“语言”如自然语言指令、结构化示例、特定格式的代码告诉它该怎么做。这个过程本身就是一次高效的“人机协作编程”。接下来我将结合我自己的实践和踩过的坑为你拆解如何从零开始快速创建你的第一个专属skill。我们会涵盖从构思、设计、实现到测试、优化的全流程目标是让你看完就能动手做出一个真正能解决实际问题的“生产力利器”。2. 核心思路像产品经理一样设计你的Skill在动手写一行代码或一段提示词之前最关键的一步是设计。一个混乱、模糊的Skill设计即使勉强跑起来也会漏洞百出难以维护。我把这个过程总结为“产品经理五问”。2.1 明确核心问题与用户场景首先忘掉技术回到需求本身。你需要回答这个Skill要解决什么具体问题问题必须足够聚焦。例如“帮我优化代码”太宽泛“帮我用Python的Pandas库将CSV文件中的日期列格式化并去重”就具体得多。谁会用这个Skill是你自己还是你的团队成员他们的技术背景如何这决定了Skill的交互复杂度和需要内置多少“常识”。在什么场景下触发是用户在聊天中主动还是检测到特定关键词如“画个图表”、“总结一下”自动触发抑或是作为一个工具被其他Skill调用我的实操心得最好的Skill创意往往源于日常工作中重复性高、规则明确的“体力活”。比如我经常需要将一堆零散的会议要点整理成结构化的会议纪要。于是我的第一个自研Skill就是“会议纪要生成器”。它的场景非常明确在我粘贴了一段杂乱文本后自动输出包含“议题、结论、待办事项负责人、截止时间”的标准格式。2.2 定义输入、处理与输出这是将想法工程化的关键一步。你需要像定义函数一样定义你的Skill。输入用户需要提供什么信息是纯文本、一个文件、一个URL还是结构化数据如JSON哪些是必填项哪些有默认值示例对于“SQL查询生成器”Skill输入可能是{“数据库类型”: “MySQL” “查询意图”: “查询上个月销售额超过1万的客户姓名和总额” “表结构”: “[此处粘贴CREATE TABLE语句]”}。处理这是Skill的核心“黑盒”。你需要在大脑中或纸上梳理出处理逻辑的关键步骤。例如解析输入提取关键参数。根据数据库类型适配SQL方言。理解查询意图映射到SELECT、WHERE、GROUP BY等子句。结合表结构确保字段名正确。生成SQL语句并进行简单的语法自检。输出最终交付物是什么格式一段代码、一个文本摘要、一个JSON对象还是一个文件确保输出是稳定、可预期的。示例上述SQL Skill的输出就是一段可以直接在对应数据库运行的SQL字符串并附带一行简要说明。注意事项在设计处理流程时务必考虑边界情况和错误处理。如果用户输入的表结构不完整怎么办如果查询意图无法理解怎么办一个好的Skill应该能优雅地处理异常给出清晰的错误提示或降级方案而不是直接“崩溃”或输出胡言乱语。2.3 选择合适的技术实现路径这是skill-creator最有趣也最核心的部分。根据你的技术背景和Skill的复杂度有几种主流实现路径提示词工程这是最快速、门槛最低的方式。你精心设计一段系统提示词System Prompt定义角色、规则、输出格式然后让大模型根据用户输入User Prompt来完成任务。许多AI平台的“自定义指令”、“角色预设”功能就是基于此。它的优势是灵活、迭代快但缺点是对复杂逻辑的控制力较弱输出稳定性依赖于模型本身。函数调用这是当前主流AI助手如ChatGPT、Claude支持的高级方式。你将Skill描述为一个或多个“函数”包含函数名、描述和参数schema。当AI认为需要调用你的Skill时它会返回一个标准的函数调用请求由你的后端代码执行并返回结果。这种方式实现了AI与外部工具/API的可靠连接适合需要实时数据、计算或执行具体操作的Skill。代码插件对于更复杂的Skill可能需要编写独立的代码如Python脚本并将其封装为插件。这通常需要一定的开发能力但能实现最强大的功能和最精细的控制。例如一个需要访问特定数据库、进行复杂数据处理的Skill。利用现有Skill框架社区有一些开源框架例如针对特定AI助手开发的SDK它们提供了脚手架、模板和工具链能简化Skill的开发、测试和部署流程。方案选型背后的考量对于绝大多数个人和轻量级场景我建议从提示词工程和函数调用入手。它们能解决80%的需求。只有当你的Skill需要访问私有API、执行复杂算法或处理敏感数据时才需要考虑编写独立的代码插件。在接下来的实操部分我们将以最通用的“提示词工程”和“函数调用”为例进行详细拆解。3. 实战手把手创建你的第一个Skill我们以一个相对复杂但非常实用的Skill为例“技术方案评审员”。它的目标是当我输入一段技术方案描述比如一个新功能的架构设计时它能从多个维度可行性、可扩展性、成本、风险等进行评价并给出具体的改进建议。3.1 阶段一用提示词工程打造核心逻辑即使最终用函数调用实现我们也先从纯提示词开始这能帮助我们厘清Skill最核心的思考逻辑。首先我们需要撰写一个强大的系统提示词。这个提示词将定义Skill的“人格”和能力边界。你是一名经验丰富的首席技术官擅长从0到1评审各类技术方案。请严格遵循以下流程对用户提交的方案进行评审 **评审流程** 1. **理解与复述**首先用一句话精炼概括用户方案的核心目标与技术路径。 2. **多维度分析**从以下五个维度进行打分每项1-5分5分为最优并给出详细理由 - **技术可行性**现有技术栈是否支持团队是否具备实施能力 - **架构合理性**组件设计是否清晰耦合度是否过高 - **可扩展性与维护性**未来业务量增长或需求变更时方案是否易于调整 - **成本与资源**预估的开发时间、人力投入、第三方服务费用是否合理 - **风险识别**是否存在技术风险、安全风险或项目交付风险 3. **综合评分与结论**计算平均分并给出总体结论通过/有条件通过/不通过。 4. **具体改进建议**针对得分较低的维度提供至少2条可落地的、具体的优化建议。 **输出格式要求** 请严格按照以下Markdown格式输出不要有任何额外的解释或开场白 ### 方案概要 [你的概括] ### 多维评分 - **技术可行性**[分数]分 - [理由] - **架构合理性**[分数]分 - [理由] - **可扩展性与维护性**[分数]分 - [理由] - **成本与资源**[分数]分 - [理由] - **风险识别**[分数]分 - [理由] ### 综合结论 **平均分**[平均分] **评审结论**[通过/有条件通过/不通过] **结论说明**[一两句话解释原因] ### 改进建议 1. [针对低分项的具体建议一] 2. [针对低分项的具体建议二]为什么这样设计角色设定“首席技术官”赋予了它权威性和全局视角。流程化明确的四步流程强迫模型进行结构化思考避免思维发散。量化评分1-5分的量表让评价更直观便于比较不同方案。格式锁定严格的Markdown格式要求确保了输出的一致性方便我们后续解析结果。这是提示词工程中保证输出稳定性的关键技巧。现在我们可以用一个简单的用户输入进行测试用户输入“我们计划用MySQL存储所有用户行为日志每天增量大概1亿条。打算直接在原业务库上新建表来存查询时通过时间范围来筛选。”将系统提示词和用户输入发给大模型如GPT-4、Claude 3你就能得到一份结构清晰的评审报告。通过多次测试不同案例你可以持续优化这个系统提示词比如增加“常见反模式检查”维度或调整评分标准。3.2 阶段二升级为函数调用Skill纯提示词的方式需要每次手动粘贴系统提示词不方便集成。接下来我们将其升级为AI助手原生支持的函数调用Skill。这里以OpenAI的GPT函数调用格式为例。首先我们按照函数调用的规范将Skill描述为一个函数{ name: review_technical_proposal, description: 作为一名虚拟CTO从技术可行性、架构、扩展性、成本、风险五个维度评审技术方案并提供评分与改进建议。, parameters: { type: object, properties: { proposal_description: { type: string, description: 待评审的技术方案详细描述。 }, proposer_background: { type: string, description: 方案提出团队或个人的技术背景简介可选。, default: 未知 } }, required: [proposal_description] } }这个JSON定义告诉AI助手我有一个叫review_technical_proposal的函数它的作用是评审技术方案它需要两个参数其中proposal_description是必填的。当用户在对话中说“请评审一下这个方案我们想用Redis做全文搜索…” AI助手会识别出意图并返回一个函数调用请求其中包含了它从对话中提取的参数值。接下来我们需要一个后端服务来处理这个函数调用。这个服务收到请求后真正执行评审逻辑。服务内部的核心就是我们上一阶段打磨好的那个系统提示词以下是一个极简的Python Flask服务示例from flask import Flask, request, jsonify import openai import os app Flask(__name__) # 假设你的OpenAI API Key已设置环境变量 client openai.OpenAI(api_keyos.getenv(OPENAI_API_KEY)) # 这就是我们精心设计的系统提示词 SYSTEM_PROMPT 你是一名经验丰富的首席技术官... # 此处省略内容同上 app.route(/review, methods[POST]) def review_proposal(): data request.json proposal data.get(proposal_description) background data.get(proposer_background, 未知) # 构建用户消息可以融入可选参数 user_content f方案提出方背景{background}\n\n待评审方案描述{proposal} try: response client.chat.completions.create( modelgpt-4-turbo, # 或你选择的模型 messages[ {role: system, content: SYSTEM_PROMPT}, {role: user, content: user_content} ], temperature0.2 # 较低的温度保证输出稳定性 ) review_result response.choices[0].message.content # 将结果返回给AI助手 return jsonify({result: review_result}) except Exception as e: return jsonify({error: str(e)}), 500 if __name__ __main__: app.run(host0.0.0.0, port5000)部署与连接将这个服务部署到任何云服务器或Serverless平台如Vercel, Railway。然后在AI助手的开发平台如ChatGPT的GPTs、Claude的Console中配置一个自定义Action将函数定义JSON和你的服务端点https://your-service.com/review填进去。至此一个完整的、可被AI助手直接调用的“技术方案评审员”Skill就创建完成了。用户只需要在聊天中自然表达AI就会在需要时调用你的后端服务并将格式化的评审结果呈现给用户。3.3 阶段三迭代优化与性能提升创建第一个可运行的Skill只是开始要让其变得可靠、强大需要持续的迭代。构建测试用例集收集或虚构一批典型的技术方案好的、坏的、边界情况的用它们定期测试你的Skill。记录每次的输出检查评分是否合理、建议是否中肯。这是保证Skill质量的“回归测试”。优化提示词根据测试结果反复调整系统提示词。例如你发现模型对“成本”评估总是过于乐观可以在提示词中增加“请特别关注云服务费用和长期运维成本假设团队规模为5人以下。”添加上下文与记忆让Skill变得更智能。例如在后端服务中可以简单记录同一个用户历史提交的方案并在提示词中加入“该用户之前提出的方案常忽略数据库索引设计本次评审请额外关注此点。”这需要引入简单的数据存储。性能与成本如果使用按Token收费的模型优化提示词、设置合理的max_tokens可以节省成本。对于复杂Skill可以考虑使用更便宜、更快的模型如GPT-3.5-Turbo进行初步处理再用大模型精修。踩坑实录我在最初设计时曾让模型直接输出“通过”或“不通过”的结论。结果发现对于中等水平的方案模型非常“犹豫”结论波动大。后来我将结论改为“通过/有条件通过/不通过”三级并在提示词中明确了平均分4分以上为通过2.5分以下为不通过中间为有条件通过。这样不仅更符合实际评审场景也大大稳定了模型的输出。4. 高级技巧让Skill更强大、更智能掌握了基础创建流程后你可以通过以下技巧将你的Skill提升到专业水准。4.1 处理复杂输入与文件解析很多实用Skill需要处理非文本输入比如Word文档、PDF、Excel表格、图片甚至音频。策略在你的后端服务中集成文件解析库。例如PDF/Word使用PyPDF2,python-docx, 或更强大的unstructured库。图片使用OCR服务如Tesseract、云服务API提取文字。音频使用语音转文本服务如Whisper API。实现在函数定义中增加file_url或file_content参数。后端收到请求后先下载或读取文件解析出文本内容再将文本内容与系统提示词组合发送给大模型。示例创建一个“合同要点提取”Skill。用户上传一份PDF合同你的后端解析PDF文本然后提示模型提取“甲方乙方、合同金额、付款方式、违约责任、有效期”等关键字段并以JSON格式返回。4.2 实现多步骤工作流与工具调用一个复杂的任务可能需要分解为多个子步骤甚至调用其他工具或Skill。设计模式采用“编排器”模式。创建一个主Skill编排器负责解析用户复杂意图并将其分解为一系列顺序或并行的子任务。每个子任务可以是一个独立的函数调用或提示词。示例创建一个“市场调研报告生成器”Skill。用户输入一个产品名称。编排器首先调用“网络搜索”Skill获取该产品的近期新闻和评论。然后调用“竞品分析”Skill找出主要竞争对手并对比特点。接着调用“SWOT分析”Skill对收集的信息进行结构化分析。最后调用“报告撰写”Skill将所有结果整合成一份格式优美的Markdown报告。工具可以利用LangChain、AutoGen等多智能体框架来简化这类工作流的编排但对于初学者从简单的线性流程开始手动设计更有利于理解底层逻辑。4.3 技能的记忆、共享与部署记忆为了让Skill在多次交互中更“懂你”可以为每个用户或会话维护一个简单的上下文存储。例如在一个“编程导师”Skill中记录用户已经学过的概念后续解答时避免重复或进行知识关联。实现上可以使用数据库或利用AI平台本身提供的会话存储如ChatGPT的上下文。共享如果你想将Skill分享给团队成员或社区需要提供清晰的说明文档包括Skill的功能描述、输入输出格式示例、使用场景、以及如何配置如果是函数调用需要提供函数定义JSON和部署端点信息。对于提示词工程类Skill直接分享提示词模板即可。部署对于个人使用本地运行或部署到免费的云平台如Render、Fly.io即可。对于团队或生产环境需要考虑安全性API密钥管理、输入输出过滤、可靠性服务监控、错误告警和可扩展性应对高并发。5. 避坑指南与常见问题排查在创建和使用Skill的过程中我遇到了不少典型问题这里总结一份速查表。问题现象可能原因排查与解决思路AI助手不调用我的Skill1. 函数描述不清晰。2. 用户输入未触发函数调用条件。3. AI模型自身策略限制。1. 优化description和parameters的描述使其更精准匹配用户可能的问题。2. 在对话中更明确地指示例如直接说“请使用XX技能分析一下”。3. 尝试简化函数或更换不同的触发措辞。Skill输出不稳定时好时坏1. 提示词指令模糊存在歧义。2. 模型温度temperature参数过高。3. 输入信息差异大。1. 重写系统提示词使用更明确、无歧义的指令并强制输出格式。2. 将temperature调低如0.1-0.3增加确定性。3. 在Skill前端增加输入验证和格式化确保输入结构一致。处理长文档或复杂任务时超时或失败1. 模型上下文长度限制。2. 后端服务处理超时。3. 文件解析出错。1. 对长文本进行分段处理总结摘要后再喂给模型。或升级使用支持更长上下文的模型。2. 优化后端代码设置合理的超时时间对耗时操作采用异步处理。3. 增加文件解析的异常捕获和日志提供友好的错误信息。输出格式不符合要求提示词中对输出格式的约束力不够。1. 在提示词中使用“必须”、“严格遵循”、“请按以下格式输出”等强约束词。2. 在系统提示词末尾提供输出范例Few-Shot Learning。3. 在后端对输出结果进行二次正则匹配或解析如果格式错误可尝试让模型重生成。Skill涉及隐私或数据安全问题敏感数据被发送至第三方模型。1.最重要避免将真实敏感数据如个人身份证号、公司未公开数据用于测试或生产。2. 考虑使用本地部署的开源模型如Llama 3, Qwen。3. 对输入输出进行脱敏处理。如果必须使用云API了解服务商的隐私政策。最后的个人体会Skill创建的过程本质上是一个“将人类专业知识转化为机器可执行流程”的封装艺术。它最大的价值不在于技术有多炫酷而在于它能否精准地捕捉并自动化那个让你感到重复和疲惫的思维环节。从最简单的文本处理提示词开始逐步尝试函数调用解决一个真实的小问题你会获得巨大的正反馈。这个领域变化飞快新的框架和平台不断涌现但万变不离其宗的核心依然是清晰的定义、结构化的思维和持续的迭代。现在就从你最想自动化的那个任务开始动手创建你的第一个专属Skill吧。
)
